作者：陸向陽
OpenAI ChatGPT的爆紅給Google帶來警訊：倘若未來人們都不再使用搜尋引擎，改用ChatGPT詢問問題，未來網路廣告的撮合業務將轉往ChatGPT，為此Google在2023年3月提出Bard試圖抗衡ChatGPT，但很快在同年底推出Gemini取代Bard來抗衡ChatGPT。
Gemini改版快速，2024年2月推出1.5版，2025年1月推出2.0版，4月推出2.5版，但在推出2.0版後，或許受NVIDIA倡議Physical AI的影響，Google以2.0版為基礎衍生發展出Gemini Robotics模型，Gemini Robotics 1.0於2025年3月發表，版本一樣快速推進，9月推出1.5版。
圖1：Gemini Robotics模型淵源圖（圖片來源：陸向陽）
Gemini Robotics 1.0/1.5其實是兩個AI模型，一個是Gemini Robotics，另一個是Gemini Robotics-ER，ER是Embodied Reasoning，中文目前翻譯成具身推理，目前LLM/GenAI開始強調導入推理（Reasoning）機制，使模型更具智慧性，推理是在過往單純的推論引擎（Inference Engine）前再加入一個知識庫（Knowledge Base），使推論能更了解一些事物間的關係性。
推理、知識庫只是一個概念，推理其實還可區分多種，如溯因推理（Abductive Reasoning）、代理推理（Agentic Reasoning）等，如此有十餘種，具身推理也是其一，具身推理適合用於自駕車之類的應用情境，當然也包含在真實世界移動或操作的機器人。知識庫也有知識圖譜（Knowledge Graphs）、本體論（Ontologies）、語義網絡（Semantic Networks）等。
回歸到Gemini Robotics，無論是Gemini Robotics或Gemini Robotics-ER其實都是多模態（Multimodal）模型，即輸入的內容型態不限一種，而是可同時兩種或兩種以上的輸入，例如Gemini Robotics可同時接受影像與文字的輸入，Gemini Robotics-ER可同時接受影像、影片、文字等輸入。
輸入多模態，但輸出不同，Gemini Robotics-ER是一個VLM（Vision-Language Model）型態，給予圖片、影像、文字輸入後輸出是一堆文字，但是是模型推理消化後產生的文字。
至於Gemini Robotics則是一個VLA（Vision-Language-Action）模型，給予圖片、文字輸入後會產生動作，所謂的動作其實是馬達的各種操控命令，命令用於驅動機器手臂或人形機器人實際動作。
說到此各位或許已經猜到，Gemini Robotics-ER形同大腦，用於理解外部空間現況等，然後產生文字，文字再輸送給Gemini Robotics，由其產生需要的外部對應動作，Gemini Robotics形同神經、中樞系統。
無論是Gemini Robotics或Gemini Robotics-ER，Google DeepMind團隊（即Gemini Robotics開發者）為了彰顯其1.5新版模型的優異性，均端出了標竿測試數據，例如Gemini Robotics 1.5版比此前的1.0版、On-Device版（2025年6月推出的一個本機端版本，優點是不用連網，缺點是表現較受限）更好，或者Gemini Robotics-ER在具身推理學術標竿測試上居於領先。
圖2：Gemini Robotics 1.5版模型勝過1.0版、On-Device版（圖片來源：Google DeepMind）
圖3：Gemini Robotics-ER在具身推理學術標竿測試上居領先性（圖片來源：Google DeepMind）
既然Gemini Robotics是輸出馬達控制訊號，那麼一般人拿到模型但卻沒有機器人、機械手臂也是沒用，因此Gemini Robotics 1.0/1.5目前是只給技術合作夥伴，沒有開放一般使用，Google方面是與9家業者合作，如Agility Robotics、Apptronik、Boston Dynamics、Agile Robots、Enchanted Tools、PAL Robotics、Rainbow Robotics、Collaborative Robotics、Universal Robots等。
如果不是這9家又想參與Gemini Robotics 1.5，Google也提供登記等待名單，Google方面審核後或許會接納，或者也可以先體驗看看Gemini Robotics On-Device（基於1.0版），也可以申請Gemini Robotics SDK軟體開發套件，一樣要排隊審核等候。
至於Gemini Robotics-ER 1.5因為是多模態進、文字出，所以Google開放可直接線上體驗，可以直接到Google AI Studio（簡稱AIS）體驗。
圖4：Google AI Studio可用來與Gemini Robotics-ER互動體驗（圖片來源：Google）
最後，其實Google期望透過Gemini Robotics系列模型實現真實世界的通用人工智慧（Artificial General Intelligence，AGI），所謂AGI是與窄人工智慧（Artificial Narrow Intelligence，ANI）相對的概念。
ANI的一個模型只能一種人類的簡單智慧表現，例如訓練出一個只能識別車牌的模型，但該模型無法識別車輛類型（卡車、汽車），必須再訓練另一個模型來識別車輛類型，或再訓練一個模型來識別車輛顏色等，過往的AlexNet只能用於相片分類、AlphaGo只能用來下圍棋，相互無關。
而AGI是一個模型就具有接近人類的多重智慧，畢竟一個真實的人的腦既可相片分類也能下圍棋，而多模態、推理等機制可以說是邁向AGI的一個必要技術歷程。AGI也是目前OpenAI積極參與Stargate星際之門專案投資的原因，OpenAI期望透過更龐大的運算力來練就AGI。
AGI其實難以一步實現，Gemini Robotics也只是真實物理層面的AGI，而非全方位的AGI，OpenAI執行長Sam Altman提出實現AGI的五步驟，其中即包含推理（Reason）、代理（Agent）技術。
圖5：實現完整AGI的五個層次（圖片來源：Arnaud Stevins）
更往後看，人們正設想超人工智慧（Artificial Super Intelligence，ASI），即一個模型就能超越一個人、一群人，成為意見領袖，但這只是預先設想，從未實現過，且有點科幻，眼前實現物理世界的AGI，是Gemini Robotics希望實現的，此值得期待。
圖6：ANI、AGI與ASI差異圖（圖片來源：Shikhar Pandey）
延伸閱讀
- Gemini Robotics 1.5: Using agentic capabilities（Gemini Robotics 1.5應用示範影片，實現垃圾分類、打包行李、回應氣候問題，英文）
- Gemini Robotics 1.5版觀察 - 2025/10/21
- Qualcomm購併Arduino觀察 - 2025/10/17
- 以工程角度檢視NVIDIA Jetson Thor - 2025/10/02
訂閱MakerPRO知識充電報
與40000位開發者一同掌握科技創新的技術資訊！
